基于人工智能的自动定量冠状动脉造影与血管内超声的准确性:回顾性队列研究

介绍

冠状动脉造影是确定冠状动脉解剖结构和冠状动脉狭窄严重程度的关键步骤[1]。基于二维图像的直径狭窄百分比(%DS)通常用作缺血的证据或指导进一步的生理学研究[2]。尽管在血管内成像和生理学方面取得了进展，但冠状动脉介入治疗主要是基于冠状动脉造影进行的[3.]。

对冠状动脉造影图像进行定量、客观的分析[4]。已知人类眼球评估在观察者之间具有很高的可变性[5]。定量冠状动脉造影(QCA)已被证明具有重复性和准确性，因此被认为是标准的[6]。此外，3D QCA也得到了发展，与2D QCA相比，3D QCA与冠状动脉血流动力学和血管内解剖学的相关性更好[7，8]。但由于费时费力，临床采用率较低。

血管内超声(IVUS)提供详细的冠状动脉斑块和参考血管的三维断层扫描视图。IVUS获得的解剖信息可以帮助识别病变的临床相关性，从而实现最佳的支架植入[9]。研究表明，IVUS可减少死亡率、心肌梗死、靶病变血运重建术和支架内血栓形成等不良心血管事件，特别是在复杂的冠状动脉介入治疗中，包括左主干介入治疗和长冠状动脉支架置入术[10-12]。血管内成像的局限性仍然存在，例如额外的时间和成本以及额外手术的侵入性。

人工智能(AI)已被证明可以自动分析医学图像，其准确性和一致性与人类专家一样高[13]。一种新型软件(MPXA-2000, Medipixel)已经开发出来，它使用深度学习算法来分割和分析冠状动脉造影图像。人工智能辅助的实时QCA可以自动提供定量信息，有可能支持临床决策并改善患者的治疗效果。在本研究中，我们验证了基于ai的QCA (AI-QCA)与IVUS在冠状动脉疾病患者中的表现。

方法

研究设计和患者选择

这是一项对在单一三级中心接受冠状动脉介入治疗的冠状动脉疾病患者的回顾性分析。研究对象为2021年10月至2022年7月期间在议政府乙支大学医院接受ivus引导的经皮冠状动脉介入治疗(PCI)的50例患者。完全或次完全闭塞和st段抬高型心肌梗死的患者被排除在研究之外。基线特征、临床诊断和实验室数据通过病历回顾收集。

道德的考虑

研究方案已得到乙支大学医院机构审查委员会(no. 6)的批准。2022-07-009)。由于回顾性研究设计和对患者的风险最小，放弃了书面知情同意。个人信息和研究数据是匿名的。这些数据将不会用于本研究以外的任何目的，并且不适用对参与者的补偿。这项研究符合2013年修订的《赫尔辛基宣言》的原则。

AI-QCA分析

采用MPXA-2000软件进行AI-QCA分析。MPXA-2000中使用的算法是基于集成了3个用于语义分割的神经网络(U-Net++、U2-Net和DeepLabV3+)的集成架构开发的;图1) [14-16]。为了提高整体性能，还采用了硬投票分类器。在3个网络中，每个编码器的末端都包含一个血管造影目标血管的分类头。在训练阶段，训练算法对血管掩膜进行分割，将平均血管和侧分支分为3种类型中的1种，并对感兴趣的区域进行定位。在一项未发表的测试中，该分割算法的平均骰子相似系数为0.92，血管分类的总体准确率为0.99。该软件获得了食品医药品安全厅的授权。每张图像使用基于等中心校准因子的自动校准，该因子可从医学数字成像与通信文件的标题中提取。使用密度测定法自动从每个视频剪辑中选择最佳帧。基于二维图像，血管分割、兴趣区域选择、血管分类和定量分析可以在没有人为干预的情况下进行。

诸如近端和远端参考血管直径、最小管腔直径、%DS和病变长度(LL)等信息可在几秒钟内提供。用户可以切换分析框架，修改病灶和分割的掩膜轮廓。参考面积和狭窄面积百分比(%AS)由AI-QCA估算值计算得出，公式如下:

第一组分析使用全自动AI-QCA的值进行。近端参考直径、远端参考直径、最小管腔直径、%DS和LL的数据在没有任何调查人员干预的情况下收集。其次，调整AI-QCA的近端和远端边界以匹配IVUS的边界，以比较相同冠状动脉位置的两种方法。正如后面将描述的那样，地理不匹配是导致AI-QCA与使用IVUS的人类分析之间差异的最大原因。第三，比较了近端和远端边界调整后的AI-QCA和手动QCA。

‎

IVUS分析

冠状动脉内硝酸甘油给药后，使用60 MHz OPTICROSS HD导管(Boston Scientific)进行IVUS。近端和远端参考面积、最小管腔面积(MLA)、斑块负担百分比和LL由具有5年以上经验的人类专家测量。IVUS分析遵循共识建议[17]。

变量与统计分析

研究变量包括近端参考面积、远端参考面积、MLA、%AS和LL。连续变量用均值和标准差表示，分类变量用数字和百分比表示。通过绘制散点图和测量Pearson相关系数来检验两种方法之间的相关性。相关系数在0.10 ~ 0.39之间为弱，在0.40 ~ 0.69之间为中等，在0.70 ~ 0.89之间为强，在0.90 ~ 1.00之间为极强[18]。通过在x轴上绘制AI-QCA和IVUS测量值的平均值，在y轴上绘制AI-QCA和IVUS测量值的差值，构建Bland-Altman图来检验两种方法之间的一致性。所有统计分析均使用4.1.2版R编程(The R Foundation for statistical Computing)进行。

结果

在最初纳入的50例患者中，有3例患者由于冠状动脉重叠导致AI-QCA不能正常工作。最后，我们分析了47例在IVUS指导下行PCI的患者的54个病变。基线患者特征显示在表1．平均年龄64.7岁(SD 10.5)。47例患者中，男性33例(70.2%)，急性冠脉综合征24例(51%)。左前降支、右冠状动脉和左旋支病变分别占病变的59.3% (n=32)、27.8% (n=15)和13.0% (n=7)。表2）.ivus引导下PCI研究人群复杂，61.1% (n=33)病变位于分叉处，35.2% (n=19)为重度钙化病变。

首先，我们比较了全自动AI-QCA和IVUS的值。图2显示研究变量的散点图。参考和病变区域的测量结果显示两种模式之间存在中度至强相关性(近端参考的相关系数为0.57，远端参考的相关系数为0.80,MLA的相关系数为0.52;P<措施)。而%AS与LL的相关性较弱(相关系数为0.29，相关系数为P=。%AS为0.03，相关系数为0.33，P=。02代表LL)。AI-QCA和IVUS测量之间一致的Bland-Altman图如图所示图3．AI-QCA测量的参考区域小于使用IVUS的人类观察者，没有系统比例偏差。大多数观测结果误差在4毫米以内²．AI-QCA测量的LL往往比IVUS的人类观测者短。

各变量间相关性最弱的是%AS。我们将患者分为两组，在%AS上有高一致性和低一致性。低一致性组，即AI-QCA和IVUS测量的%AS差异超过10%的组，其重度钙化病变数值较低(表S1)多媒体附录1）.差异小于10%的%AS不影响执行PCI的决定。

LL的弱相关性是由人类观察者与AI-QCA之间病变识别的几何不匹配驱动的(图4）.在48例(88.7%)病变中，AI-QCA识别的近端边界与人类观察者识别的近端边界大多在10 mm以内。然而，远端边界显示出更大的差异- ai - qca比IVUS引导下的人类观察者更近地识别远端边界。因此，与IVUS相比，AI-QCA通常估计的LL较短。

接下来，我们调整AI-QCA检测到的近端和远端边缘，使其与IVUS指导下人类观察者确定的边缘保持一致。近端参考区和远端参考区与MLA的相关系数均高于初始分析(近端参考区为0.70，远端参考区为0.83,MLA为0.59);P<.001)，而%AS仍呈弱相关性(0.21，P= 13;图5）.Bland-Altman图(图S1)多媒体附录1)显示AI-QCA和IVUS之间的参考面积和MLA的平均差异小于全自动AI-QCA和IVUS之间的差异。

AI-QCA除近端参考直径外与手动QCA有很强的相关性(图S2)多媒体附录1）.图S3多媒体附录1为IVUS与手动QCA测量的相关系数。AI-QCA与IVUS的相关系数与人工QCA与IVUS的相关系数相似(近端参考区0.70 vs 0.76，远端参考区0.83 vs 0.82, MLA 0.59 vs 0.59， %AS 0.21 vs 0.22, LL 1.00 vs 0.98)。

图6有一例AI-QCA与IVUS有较好的相关性。AI-QCA估计LL为39.0 mm, IVUS估计LL为37.1 mm。AI-QCA的DS为76.7%，IVUS的斑块负担为78%。图7显示了另一个具有代表性的病例，AI-QCA比IVUS更近地识别远端边界。AI-QCA将右远端冠状动脉病变分成2段，在IVUS引导下视为单个连续病变。

‎

‎

‎

‎

‎

‎

讨论

主要研究结果

在本研究中，我们发现AI-QCA与IVUS指导下的人类评估具有中等到强的相关性。参考血管大小与狭窄严重程度中度相关。在某些情况下存在地理不匹配，表明AI-QCA与IVUS之间的近端或远端病变边缘存在差异。在远端边缘经常观察到差异。

本研究的优势

人工智能在医学各个领域的应用正在扩大。机器学习和计算机视觉首先被引入，并已证明它们在放射学和病理学中的作用[19，20.]。医疗人工智能在心脏病领域的应用进展缓慢，部分原因是心脏病图像的3D性质和视频格式。由于计算能力和机器学习算法的最新进展，最近的几项研究已经测试了人工智能在超声心动图中的应用[21，22];然而，在冠状动脉造影领域的研究却很少[23，24]。

结果解释

本研究的观察结果是，与IVUS相比，AI-QCA低估了血管大小，这与以前的研究结果一致。研究表明，QCA测量通常小于冠状动脉内成像，包括光学相干断层扫描和IVUS [25]。一项死后研究也发现，与组织形态学测量相比，冠状动脉内成像高估了管腔面积[26]。IVUS测量值通常大于使用光学相干断层扫描获得的测量值。

由于AI-QCA数据较少，冠状动脉钙化与AI-QCA测量之间的关系尚不清楚。在本研究中，重度钙化可能会影响AI-QCA测量%AS，尽管没有统计学意义。AI-QCA估计的LL比IVUS短，这一发现可以部分解释为IVUS提供的层析图像。观察者可以通过IVUS识别血管造影显示正常的轻度动脉粥样硬化改变[27]。众所周知，在ivus引导下进行PCI时，医生倾向于使用更长更大的支架[28]。

本研究与MLA相关性较好，与%AS相关性较弱。一个可能的原因是IVUS反映了正重构。动脉粥样硬化早期发生正性重构和血管壁扩张，以维持管腔大小，尽管有斑块积聚。%DS仅基于由近端和远端正常外观节段直径插值假设的参考直径计算。此外，参考直径可能被低估，因为近端和远端参考节段可能没有动脉粥样硬化，如上所述。IVUS评估的斑块负担大于QCA评估的AS百分比[29]。该研究人群代表了复杂的冠状动脉疾病——61%有分叉，35%有严重钙化病变。先前的一项研究也发现，在分岔病变的%DS分析中，核间实验室变异性[30.]。在本研究中，我们使用前面提到的公式(方法部分)从2D图像中计算%AS和%DS。预计3D QCA可以提高病变严重程度的准确性。

的临床意义

实施PCI的医生需要相当丰富的经验才能准确评估冠状动脉的特征和动脉粥样硬化斑块的负担。IVUS是优化冠状动脉支架置入最常用的血管内成像工具[31，32]。该研究显示，自动分析2D血管造影图像的AI-QCA与IVUS分析之间存在中度至强相关性。由于本研究提示AI-QCA倾向于低估参考血管面积，医生可以在PCI期间咨询AI-QCA，并考虑使用直径更大一步的支架。此外，医生应该意识到AI-QCA可能会低估轻度动脉粥样硬化病变的正常程度。

本研究中测试的AI-QCA基于深度学习算法，旨在模仿人类专家的QCA过程。当无法获得血管内成像时，该工具可能对那些在仅根据血管造影确定支架尺寸方面信心不足的介入性心脏病专家有所帮助。

限制

这项研究并非没有局限性。首先，这是一个小样本量的单中心研究;因此，在将研究结果外推到其他研究时应谨慎行事。由于该研究人群代表了需要复杂冠状动脉介入治疗的重要冠状动脉疾病，因此研究结果不能推断为轻度至中度冠状动脉病变。虽然该软件是作为实时冠状动脉介入辅助工具开发的，但由于本研究的回顾性性质，AI-QCA是单独进行的。其次，由于IVUS导管输送失败，部分病例在预扩张后进行IVUS，可能导致MLA比初始血管造影时更大。第三，尽管冠状动脉的钙化或扭曲等定性成分是临床医生做出正确决策的重要价值，但AI-QCA无法评估冠状动脉的特征。与IVUS测量值的相关性可能不是评估AI-QCA准确性的金标准指标。

未来的研究需要解决软件在现实世界的临床实践中的效用。

结论

在这项研究中，与IVUS测量相比，AI-QCA在接受冠状动脉介入治疗的冠状动脉疾病患者中显示出中等到强的相关准确性。本研究为AI-QCA在临床实践中可以安全使用提供了支持性证据。冠状动脉造影的自动实时分析可以帮助从业者更有信心地做出临床决策。需要进一步的前瞻性研究来证实AI-QCA的临床实用性和安全性。